CN112712445A - 一种基于大数据与深度学习的智慧餐饮菜品精准计量系统 - Google Patents
一种基于大数据与深度学习的智慧餐饮菜品精准计量系统 Download PDFInfo
- Publication number
- CN112712445A CN112712445A CN202011611878.0A CN202011611878A CN112712445A CN 112712445 A CN112712445 A CN 112712445A CN 202011611878 A CN202011611878 A CN 202011611878A CN 112712445 A CN112712445 A CN 112712445A
- Authority
- CN
- China
- Prior art keywords
- weighing
- meal
- module
- state
- behavior
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 235000012054 meals Nutrition 0.000 claims abstract description 156
- 238000005303 weighing Methods 0.000 claims abstract description 130
- 238000004458 analytical method Methods 0.000 claims abstract description 41
- 238000013523 data management Methods 0.000 claims abstract description 20
- 235000013361 beverage Nutrition 0.000 claims abstract description 4
- 235000013305 food Nutrition 0.000 claims abstract description 4
- 230000006399 behavior Effects 0.000 claims description 89
- 235000003166 Opuntia robusta Nutrition 0.000 claims description 84
- 244000218514 Opuntia robusta Species 0.000 claims description 84
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
Abstract
本发明公开一种基于大数据与深度学习的智慧餐饮菜品精准计量系统,包括称重采集模块、称重分析模块、信息显示模块及数据管理模块,其特征在于:所述称重采集模块电性连接所述称重分析模块,所述称重分析模块电性连接所述信息显示模块,所述称重分析模块电性连接所述数据管理模块,所述称重采集模块,用于实时采集当前餐炉及餐炉盛有菜品的重量,并将称重数据值传输至称重分析模块。本发明涉及智慧餐饮技术领域,具体地讲,涉及一种基于大数据与深度学习的智慧餐饮菜品精准计量系统。本发明方便智慧餐饮菜品精准计量。
Description
技术领域
本发明涉及智慧餐饮技术领域,具体地讲,涉及一种基于大数据与深度学习的智慧餐饮菜品精准计量系统。
背景技术
在智慧餐饮的自助取餐应用场景中,用户的自助取餐过程是餐线正常运行的关键环节。在此过程中,包括了打餐台读取与识别餐盘、用户打餐、餐炉称重减少、餐盘拿走、后台结算等步骤。其中,餐炉对于菜品的称重计量直接影响到打餐量的准确度、餐费的准确度,所以尤为重要。
传统方案的智慧餐饮打餐流程中,典型的操作方法为:
(1)用户通过刷卡、人脸等方式绑定餐盘;
(2)用户将餐盘放置在指定的餐盘识别区域;
(3)用户打餐,在此过程中餐炉的重量有所减少;
(4)用户打餐完毕,将餐盘从餐盘识别区域取走,这时餐饮管理后台通过计算此过程中的餐炉重量差值,作为用户取餐数量。
在传统的计量方案中,当打餐台上出现餐盘时认为是用户打餐开始,当放置在打餐台上的餐盘拿走时认为是用户打餐结束。这两个时间点的称重数值的差,作为用户打餐的重量。这种实现方法存在诸多缺陷,主要有以下几点:
1.当用户在放置餐盘前就开始移动餐勺的情况下,可认为是用户打餐开始时,餐炉已经有一部分重量减少。这种情况下计算出的用户打餐重量比实际情况有所减少。
2.当用户在拿走餐盘后才放稳餐勺的情况下,可认为是用户打餐结束时,餐炉有一部分重量减少。这种情况下计算出的用户打餐重量比实际情况有所减少。
3.即使用户按照放置餐盘、打餐、打餐结束后拿走餐盘的流程取餐时,用户放置餐勺后仍会有一段时间内,餐炉的称重处于不稳定状态,这种不稳定状态带来的细微重量变化,无法捕捉。
4.当用户未放置餐盘时,或者餐盘放置偏离指定位置时,用户打餐的重量不会计入,属于用户偷菜行为,无法识别到,
当用户打餐时,服务员向餐炉内添菜时,此时将会出现前后差值为负的情况,无法计算得到正确的打餐重量。
发明内容
本发明要解决的技术问题是提供一种基于大数据与深度学习的智慧餐饮菜品精准计量系统,方便智慧餐饮菜品精准计量。
本发明采用如下技术方案实现发明目的:
一种基于大数据与深度学习的智慧餐饮菜品精准计量系统,包括称重采集模块、称重分析模块、信息显示模块及数据管理模块,其特征在于:所述称重采集模块电性连接所述称重分析模块,所述称重分析模块电性连接所述信息显示模块,所述称重分析模块电性连接所述数据管理模块,所述称重采集模块,用于实时采集当前餐炉及餐炉盛有菜品的重量,并将称重数据值传输至称重分析模块,所述称重分析模块,用于实时接收称重数据,形成一段时间内的称重数据集,基于此数据集,采用内置的行为分析算法,计算出当前的行为状态;该模块将此行为状态传输至信息显示模块进行提示或警示,同时,将称重数据及行为状态传输至数据管理模块,所述信息显示模块,用于显示当前的行为状态与数据,所述数据管理模块,用于保存历史称重数据。
作为本技术方案的进一步限定,所述称重采集模块包含称重传感器、温度传感器、餐炉控制器、餐炉,所述餐炉控制器电性连接所述称重传感器,所述餐炉控制器电性连接所述温度传感器,所述餐炉控制器电性连接所述称重采集模块,所述餐炉控制器通过所述称重传感器实时采集所述餐炉及所述餐炉盛有菜品的重量,所述餐炉控制器通过所述温度传感器实时获取所述餐炉温度,所述餐炉控制器通过温度补偿算法,计算出所述餐炉及所述餐炉盛有菜品的真实重量,所述餐炉控制器中内置空餐炉的重量,通过去除空餐炉重量获取到产品重量,所述餐炉控制器实时传输菜品重量给所述称重采集模块,所述称重采集模块配置获取称重的间隔时间T,即当一次称重数据采集完成后,经过T后,完成下一次的称重数据采集。
作为本技术方案的进一步限定,所述称重数据分析模块包含计算单元、通信单元、存储单元,所述通信单元电性连接所述餐炉控制器,所述通信单元电性连接所述信息显示模块,所述通信单元电性连接所述数据管理模块,所述通信单元电性连接所述计算单元,所述通信单元电性连接所述存储单元,所述称重数据分析模块通过所述通信单元想称重采集模块获取当前的菜品重量,并保存在所述存储单元中,当获取到一段时间的称重数据后,所述存储单元将此段数据输入至所述计算单元,由所述计算单元进行运算得到当前行为,所述计算单元中内置餐勺重量,用于更精确的计算。
作为本技术方案的进一步限定,所述计算单元中内置了行为分析算法,该行为分析算法的生成有以下步骤:
步骤一:将打餐行为分类为:静置、正常取餐、用户偷菜、服务员加菜、未取餐;
步骤二:定义行为静置为:没有用户进行取餐;
定义行为正常取餐为:客户将餐盘放在餐盘区,使用餐炉内的餐勺将餐食取至餐盘,取餐结束后拿走餐盘;
定义用户偷菜为:用户未放置餐盘至餐盘区时,进行了取餐行为;
定义服务员加菜为:服务员使用其他器具内的餐食倒入餐炉;
定义未取餐为:用户将餐盘放入餐盘区但没有进行取餐;
步骤三:人为进行以上五种打餐行为时,记录如下参数:行为持续时间、餐炉称重状态、餐盘存在状态;
步骤四:将行为类型与记录参数进行对应,形成数据集,如下:
行为类型……{{开始时间tstart,称重状态S1sstart=f1(tstart),餐盘状态Ss2=f2(tstart)},时间t,称重状态S1=f1(t),餐盘状态S2=f2(t)
{采样时间t1,称重状态S11=f1(t1),餐盘状态S21=f2(t1)},
{采样时间t2,称重状态S12=f1(t2),餐盘状态S22=f2(t2)}
……
{采样时间tn,称重状态S1n=f1(tn),餐盘状态S2n=f2(tn)}
{结束时间tend,称重状态S1end=f1(tend),餐盘状态S2end=f2(tend)}}
其中,单组行为包含(n+2)组序列信息,包含开始时间、结束时间以及中间采样点信息;
步骤五:积累到足够数量的数据集后,开始进行构建深度学习模型;
步骤六:行为识别算法模型通过构建时间序列神经网络模型完成,输入信息为不定长度时间序列,输出为该序列对应行为类型;
步骤七:行为识别算法模型训练过程中,除开始时间tstart外,每一层的输入均由前一层传入历史状态H(n-1)和当前采样时刻tn组合而成,通过神经网络全连接运算获得本层状态输出H(n),即:
H(n)=g(H(n-1),S1n,S2n)
其中,g代表神经网络全连接运算行为;
步骤八:经过不断的训练与检验,最终形成可以商用的行为分析算法。
作为本技术方案的进一步限定,所述的基于大数据与深度学习的智慧餐饮菜品精准计量系统,其特征在于:所述称重分析模块将行为分析结果传输至所述信息显示模块,并进行提示或警告,所述称重分析模块将行为分析结果、称重原始数据传输至所述数据管理模块。
作为本技术方案的进一步限定,处于静置状态时,所述信息显示模块可显示当前菜品名称;处于正常取餐状态时,所述信息显示模块可显示取餐人信息、取餐重量与计费;处于偷菜行为时,所述信息显示模块可提示用户放正餐盘至餐盘区;处于加菜状态时,所述信息显示模块提示正在加菜;处于未取餐状态时,所述信息显示模块显示取餐人信息并提示请取餐。
作为本技术方案的进一步限定,每一个模型必须对应固定的时间间隔T,每一个模型必须对应固定的餐勺重量。
与现有技术相比,本发明的优点和积极效果是:
1、本装置通过巧妙的设计避免用户移动餐勺造成计算出的用户打餐重量比实际情况有所减少。
2、本装置通过巧妙的设计避免用户按照放置餐盘、打餐、打餐结束后拿走餐盘的流程取餐时,用户放置餐勺后仍会有一段时间内,餐炉的称重处于不稳定状态,解决了这种不稳定状态带来的细微重量变化,无法捕捉。
3、当用户未放置餐盘时,或者餐盘放置偏离指定位置时,用户打餐的重量不会计入,属于用户偷菜行为,本装置做到识别偷菜行为。
4、本装置避免当用户打餐时,服务员向餐炉内添菜时,此时将会出现前后差值为负的情况,保证计算得到正确的打餐重量。
附图说明
图1为本发明的系统示意图。
图2为本发明的行为分析算法流程图。
图3为本发明的用户正常取餐时的状态变化图。
图4为本发明的用户取餐异常时用户先拿起了餐勺后放置餐盘的状态变化图。
图5为本发明的用户取餐异常时用户未等餐炉稳定时取走餐盘的状态变化图。
具体实施方式
下面结合附图,对本发明的一个具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
如图1-图5所示,本发明包括称重采集模块、称重分析模块、信息显示模块及数据管理模块,所述称重采集模块电性连接所述称重分析模块,所述称重分析模块电性连接所述信息显示模块,所述称重分析模块电性连接所述数据管理模块,所述称重采集模块,用于实时采集当前餐炉及餐炉盛有菜品的重量,并将称重数据值传输至称重分析模块,所述称重分析模块,用于实时接收称重数据,形成一段时间内的称重数据集,基于此数据集,采用内置的行为分析算法,计算出当前的行为状态;该模块将此行为状态传输至信息显示模块进行提示或警示,同时,将称重数据及行为状态传输至数据管理模块,所述信息显示模块,用于显示当前的行为状态与数据,所述数据管理模块,用于保存历史称重数据。
所述称重采集模块包含称重传感器、温度传感器、餐炉控制器、餐炉,所述餐炉控制器电性连接所述称重传感器,所述餐炉控制器电性连接所述温度传感器,所述餐炉控制器电性连接所述称重采集模块,所述餐炉控制器通过所述称重传感器实时采集所述餐炉及所述餐炉盛有菜品的重量,所述餐炉控制器通过所述温度传感器实时获取所述餐炉温度,所述餐炉控制器通过温度补偿算法,计算出所述餐炉及所述餐炉盛有菜品的真实重量,所述餐炉控制器中内置空餐炉的重量,通过去除空餐炉重量获取到产品重量,所述餐炉控制器实时传输菜品重量给所述称重采集模块,所述称重采集模块配置获取称重的间隔时间T,即当一次称重数据采集完成后,经过T后,完成下一次的称重数据采集。
所述称重数据分析模块包含计算单元、通信单元、存储单元,所述通信单元电性连接所述餐炉控制器,所述通信单元电性连接所述信息显示模块,所述通信单元电性连接所述数据管理模块,所述通信单元电性连接所述计算单元,所述通信单元电性连接所述存储单元,所述称重数据分析模块通过所述通信单元想称重采集模块获取当前的菜品重量,并保存在所述存储单元中,当获取到一段时间的称重数据后,所述存储单元将此段数据输入至所述计算单元,由所述计算单元进行运算得到当前行为,所述计算单元中内置餐勺重量,用于更精确的计算。
所述计算单元中内置了行为分析算法,该行为分析算法的生成有以下步骤:
步骤一:将打餐行为分类为:静置、正常取餐、用户偷菜、服务员加菜、未取餐;
步骤二:定义行为静置为:没有用户进行取餐;
定义行为正常取餐为:客户将餐盘放在餐盘区,使用餐炉内的餐勺将餐食取至餐盘,取餐结束后拿走餐盘;
定义用户偷菜为:用户未放置餐盘至餐盘区时,进行了取餐行为;
定义服务员加菜为:服务员使用其他器具内的餐食倒入餐炉;
定义未取餐为:用户将餐盘放入餐盘区但没有进行取餐;
步骤三:人为进行以上五种打餐行为时,记录如下参数:行为持续时间、餐炉称重状态、餐盘存在状态;
步骤四:将行为类型与记录参数进行对应,形成数据集,如下:
行为类型……{{开始时间tstart,称重状态S1sstart=f1(tstart),餐盘状态Ss2=f2(tstart)},时间t,称重状态S1=f1(t),餐盘状态S2=f2(t)
{采样时间t1,称重状态S11=f1(t1),餐盘状态S21=f2(t1)},
{采样时间t2,称重状态S12=f1(t2),餐盘状态S22=f2(t2)}
……
{采样时间tn,称重状态S1n=f1(tn),餐盘状态S2n=f2(tn)}
{结束时间tend,称重状态S1end=f1(tend),餐盘状态S2end=f2(tend)}}
其中,单组行为包含(n+2)组序列信息,包含开始时间、结束时间以及中间采样点信息;
步骤五:积累到足够数量的数据集后,开始进行构建深度学习模型;
步骤六:行为识别算法模型通过构建时间序列神经网络模型完成,输入信息为不定长度时间序列,输出为该序列对应行为类型;
步骤七:行为识别算法模型训练过程中,除开始时间tstart外,每一层的输入均由前一层传入历史状态H(n-1)和当前采样时刻tn组合而成,通过神经网络全连接运算获得本层状态输出H(n),即:
H(n)=g(H(n-1),S1n,S2n)
其中,g代表神经网络全连接运算行为;
步骤八:经过不断的训练与检验,最终形成可以商用的行为分析算法。
所述的基于大数据与深度学习的智慧餐饮菜品精准计量系统,其特征在于:所述称重分析模块将行为分析结果传输至所述信息显示模块,并进行提示或警告,所述称重分析模块将行为分析结果、称重原始数据传输至所述数据管理模块。
处于静置状态时,所述信息显示模块可显示当前菜品名称;处于正常取餐状态时,所述信息显示模块可显示取餐人信息、取餐重量与计费;处于偷菜行为时,所述信息显示模块可提示用户放正餐盘至餐盘区;处于加菜状态时,所述信息显示模块提示正在加菜;处于未取餐状态时,所述信息显示模块显示取餐人信息并提示请取餐。
每一个模型必须对应固定的时间间隔T,每一个模型必须对应固定的餐勺重量,是餐线上当前时间段内的打餐行为。
本发明的工作流程为:
实施例1,本实施例对智慧餐饮中的行为分析算法的生成进行描述。
将打餐行为分类为:静置、正常取餐、用户偷菜、服务员加菜、未取餐。
定义行为静置为:没有用户进行取餐;定义行为正常取餐为:客户将餐盘放在餐盘区,使用餐炉内的餐勺将餐食取至餐盘,取餐结束后拿走餐盘;定义行为用户偷菜为:用户未放置餐盘至餐盘区时,进行了取餐行为;定义行为服务员加菜为:服务员使用其他器具内的餐食倒入餐炉;定义行为未取餐为:用户将餐盘放入餐盘区但没有进行取餐。
人为进行以上五种行为时,记录如下参数:行为持续时间、餐炉称重状态、餐盘存在状态。
将行为类型与记录参数进行对应,形成数据集,如下
行为类型……{时间t,称重状态S1=f1(t),餐盘状态S2=f2(t)}。
积累到足够数量的数据集后,对数据集进行模型训练,经过验证不断提高成功率,最终形成行为识别算法。
实施例2本实施例说明了正常取餐行为中的处理方法。
用户将餐盘放置在餐盘区,用户一次或者多次拿起餐勺并将餐食从餐炉盛到餐盘上。用户取餐完毕后,将餐勺放入餐炉,并取走餐盘。
当用户严格按照此步骤执行时,餐炉重量与餐盘状态随时间的变化曲线如图3,使用餐盘前后的重量差值可计算出正确的重量。
但是由于受到实际环境和人为因素的影响,上述步骤不可能每次都被完整执行。可能存在的异常情况是:
1、用户先拿起了餐勺,才想起需要放置餐盘,如图4。
2、用户取餐后将餐勺向餐炉一丢,未放置稳定时就取走了餐盘,如图5。
当出现以上情况时,采用传统的计量方式必然会出现错误。当采用行为分析算法进行分析时,将识别出当前行为是正常打餐行为,并可以标记出此行为的开始时间与结束时间,得到正确的称重计量效果。
以上公开的仅为本发明的具体实施例,但是,本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (7)
1.一种基于大数据与深度学习的智慧餐饮菜品精准计量系统,包括称重采集模块、称重分析模块、信息显示模块及数据管理模块,其特征在于:
所述称重采集模块电性连接所述称重分析模块,所述称重分析模块电性连接所述信息显示模块,所述称重分析模块电性连接所述数据管理模块;
所述称重采集模块,用于实时采集当前餐炉及餐炉盛有菜品的重量,并将称重数据值传输至称重分析模块;
所述称重分析模块,用于实时接收称重数据,形成一段时间内的称重数据集,基于此数据集,采用内置的行为分析算法,计算出当前的行为状态;该模块将此行为状态传输至信息显示模块进行提示或警示,同时,将称重数据及行为状态传输至数据管理模块;
所述信息显示模块,用于显示当前的行为状态与数据;
所述数据管理模块,用于保存历史称重数据。
2.根据权利要求1所述的基于大数据与深度学习的智慧餐饮菜品精准计量系统,其特征在于:所述称重采集模块包含称重传感器、温度传感器、餐炉控制器、餐炉;
所述餐炉控制器电性连接所述称重传感器,所述餐炉控制器电性连接所述温度传感器,所述餐炉控制器电性连接所述称重采集模块;
所述餐炉控制器通过所述称重传感器实时采集所述餐炉及所述餐炉盛有菜品的重量;
所述餐炉控制器通过所述温度传感器实时获取所述餐炉温度;
所述餐炉控制器通过温度补偿算法,计算出所述餐炉及所述餐炉盛有菜品的真实重量;
所述餐炉控制器中内置空餐炉的重量,通过去除空餐炉重量获取到产品重量;
所述餐炉控制器实时传输菜品重量给所述称重采集模块;
所述称重采集模块配置获取称重的间隔时间T,即当一次称重数据采集完成后,经过T后,完成下一次的称重数据采集。
3.根据权利要求2所述的基于大数据与深度学习的智慧餐饮菜品精准计量系统,其特征在于:所述称重数据分析模块包含计算单元、通信单元、存储单元;
所述通信单元电性连接所述餐炉控制器,所述通信单元电性连接所述信息显示模块,所述通信单元电性连接所述数据管理模块,所述通信单元电性连接所述计算单元,所述通信单元电性连接所述存储单元;
所述称重数据分析模块通过所述通信单元想称重采集模块获取当前的菜品重量,并保存在所述存储单元中;
当获取到一段时间的称重数据后,所述存储单元将此段数据输入至所述计算单元,由所述计算单元进行运算得到当前行为;
所述计算单元中内置餐勺重量,用于更精确的计算。
4.根据权利要求3所述的基于大数据与深度学习的智慧餐饮菜品精准计量系统,其特征在于:所述计算单元中内置了行为分析算法,该行为分析算法的生成有以下步骤:
步骤一:将打餐行为分类为:静置、正常取餐、用户偷菜、服务员加菜、未取餐;
步骤二:定义行为静置为:没有用户进行取餐;
定义行为正常取餐为:客户将餐盘放在餐盘区,使用餐炉内的餐勺将餐食取至餐盘,取餐结束后拿走餐盘;
定义用户偷菜为:用户未放置餐盘至餐盘区时,进行了取餐行为;
定义服务员加菜为:服务员使用其他器具内的餐食倒入餐炉;
定义未取餐为:用户将餐盘放入餐盘区但没有进行取餐;
步骤三:人为进行以上五种打餐行为时,记录如下参数:行为持续时间、餐炉称重状态、餐盘存在状态;
步骤四:将行为类型与记录参数进行对应,形成数据集,如下:
行为类型……{{开始时间tstart,称重状态S1sstart=f1(tstart),餐盘状态Ss2=f2(tstart)},时间t,称重状态S1=f1(t),餐盘状态S2=f2(t)
{采样时间t1,称重状态S11=f1(t1),餐盘状态S21=f2(t1)},
{采样时间t2,称重状态S12=f1(t2),餐盘状态S22=f2(t2)}
……
{采样时间tn,称重状态S1n=f1(tn),餐盘状态S2n=f2(tn)}
{结束时间tend,称重状态S1end=f1(tend),餐盘状态S2end=f2(tend)}}
其中,单组行为包含(n+2)组序列信息,包含开始时间、结束时间以及中间采样点信息;
步骤五:积累到足够数量的数据集后,开始进行构建深度学习模型;
步骤六:行为识别算法模型通过构建时间序列神经网络模型完成,输入信息为不定长度时间序列,输出为该序列对应行为类型;
步骤七:行为识别算法模型训练过程中,除开始时间tstart外,每一层的输入均由前一层传入历史状态H(n-1)和当前采样时刻tn组合而成,通过神经网络全连接运算获得本层状态输出H(n),即:
H(n)=g(H(n-1),S1n,S2n)
其中,g代表神经网络全连接运算行为;
步骤八:经过不断的训练与检验,最终形成可以商用的行为分析算法。
5.根据权根据权利要求4所述的基于大数据与深度学习的智慧餐饮菜品精准计量系统,其特征在于:所述称重分析模块将行为分析结果传输至所述信息显示模块,并进行提示或警告,所述称重分析模块将行为分析结果、称重原始数据传输至所述数据管理模块。
6.根据权根据权利要求4所述的基于大数据与深度学习的智慧餐饮菜品精准计量系统,其特征在于:处于静置状态时,所述信息显示模块可显示当前菜品名称;处于正常取餐状态时,所述信息显示模块可显示取餐人信息、取餐重量与计费;处于偷菜行为时,所述信息显示模块可提示用户放正餐盘至餐盘区;处于加菜状态时,所述信息显示模块提示正在加菜;处于未取餐状态时,所述信息显示模块显示取餐人信息并提示请取餐。
7.根据权根据权利要求4所述的基于大数据与深度学习的智慧餐饮菜品精准计量系统,其特征在于:每一个模型必须对应固定的时间间隔T,每一个模型必须对应固定的餐勺重量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011611878.0A CN112712445A (zh) | 2020-12-30 | 2020-12-30 | 一种基于大数据与深度学习的智慧餐饮菜品精准计量系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011611878.0A CN112712445A (zh) | 2020-12-30 | 2020-12-30 | 一种基于大数据与深度学习的智慧餐饮菜品精准计量系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112712445A true CN112712445A (zh) | 2021-04-27 |
Family
ID=75547312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011611878.0A Pending CN112712445A (zh) | 2020-12-30 | 2020-12-30 | 一种基于大数据与深度学习的智慧餐饮菜品精准计量系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712445A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114255077A (zh) * | 2021-12-14 | 2022-03-29 | 神思电子技术股份有限公司 | 一种应用于智慧餐饮的避免取餐误扣费的方法 |
CN114267125A (zh) * | 2021-12-02 | 2022-04-01 | 神思电子技术股份有限公司 | 一种显示取餐重量的智慧取餐系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203241127U (zh) * | 2013-04-08 | 2013-10-16 | 北京农业信息技术研究中心 | 温度自动补偿电子秤及校准系统 |
CN104180881A (zh) * | 2014-08-22 | 2014-12-03 | 济南金钟电子衡器股份有限公司 | 一种防作弊高精度智能数字称重模块及其防作弊方法 |
CN209265614U (zh) * | 2019-01-04 | 2019-08-16 | 广东蚁窝智能科技有限公司 | 一种自助称重售餐平台和系统 |
CN111896092A (zh) * | 2020-08-10 | 2020-11-06 | 南京小牛智能科技有限公司 | 一种自助餐称重计量的防作弊方法 |
CN112113650A (zh) * | 2020-10-14 | 2020-12-22 | 河北昆仑智慧养老服务有限公司 | 一种数据加密防作弊智能云称重监督电子秤平台 |
-
2020
- 2020-12-30 CN CN202011611878.0A patent/CN112712445A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203241127U (zh) * | 2013-04-08 | 2013-10-16 | 北京农业信息技术研究中心 | 温度自动补偿电子秤及校准系统 |
CN104180881A (zh) * | 2014-08-22 | 2014-12-03 | 济南金钟电子衡器股份有限公司 | 一种防作弊高精度智能数字称重模块及其防作弊方法 |
CN209265614U (zh) * | 2019-01-04 | 2019-08-16 | 广东蚁窝智能科技有限公司 | 一种自助称重售餐平台和系统 |
CN111896092A (zh) * | 2020-08-10 | 2020-11-06 | 南京小牛智能科技有限公司 | 一种自助餐称重计量的防作弊方法 |
CN112113650A (zh) * | 2020-10-14 | 2020-12-22 | 河北昆仑智慧养老服务有限公司 | 一种数据加密防作弊智能云称重监督电子秤平台 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114267125A (zh) * | 2021-12-02 | 2022-04-01 | 神思电子技术股份有限公司 | 一种显示取餐重量的智慧取餐系统及方法 |
CN114255077A (zh) * | 2021-12-14 | 2022-03-29 | 神思电子技术股份有限公司 | 一种应用于智慧餐饮的避免取餐误扣费的方法 |
CN114255077B (zh) * | 2021-12-14 | 2024-05-24 | 神思电子技术股份有限公司 | 一种应用于智慧餐饮的避免取餐误扣费的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108492482B (zh) | 货品监控系统及监控方法 | |
CN112712445A (zh) | 一种基于大数据与深度学习的智慧餐饮菜品精准计量系统 | |
CN204537313U (zh) | 基于面部识别的自助缴费终端 | |
CN206026334U (zh) | 一种运动量检测装置以及包括该装置的智能可穿戴设备 | |
CN108564713A (zh) | 一种基于综合测量方式的无人值守零售的商品识别和防作弊系统及其方法 | |
CN204537307U (zh) | 基于指纹识别的自助缴费终端 | |
CN104545408A (zh) | 能够自动记忆的烹饪设备及方法 | |
CN107016810A (zh) | 一种自助减量称重计费系统及自助减量称重计费方法 | |
CN206805706U (zh) | 一种自助减量称重计费系统 | |
CN109584482A (zh) | 一种自助称重售餐平台和系统 | |
CN109584479A (zh) | 一种自助称重售餐平台和系统 | |
CN107944391A (zh) | 一种食物重量的确定方法、装置及存储介质 | |
CN108800230B (zh) | 一种微波炉控制方法、系统、存储介质和计算机设备 | |
CN204537335U (zh) | 基于挂号号码的自助缴费终端 | |
CN106154170B (zh) | 电池剩余容量的估算方法及系统 | |
CN113343003A (zh) | 一种用餐营养构建记录系统及方法 | |
CN107704748A (zh) | 用户的识别方法、装置及人体秤 | |
CN116784852A (zh) | 一种疲劳状态确定方法、装置、智能床垫及介质 | |
CN117219223A (zh) | 一种医用存储柜的药剂监控方法及系统 | |
CN109584480A (zh) | 一种自助称重售餐平台和系统 | |
CN112418022B (zh) | 一种人体数据的检测方法及装置 | |
CN209265614U (zh) | 一种自助称重售餐平台和系统 | |
CN112786185A (zh) | 血压健康状态获取方法、装置和系统 | |
CN113554816A (zh) | 一种生鲜自提系统 | |
CN114154599A (zh) | 饮水管理系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210427 |
|
RJ01 | Rejection of invention patent application after publication |